人工智能简介

Posted 2023-04-07 吃肉的小馒头

人工智能简介

• 人工智能是新一轮科技革命和产业变革的重要驱动力量，其发挥作用的广度和深度堪比历次工业革命。蒸汽革命成就了英国，电气和信息化革命成就了美国。如今人工智能的历史机遇正在全面展开，也将成就新的引领者。
• 下图显示了一部典型iPhone手机上安装的一些常用应用程序。苹果Siri等智能助理和智能聊天类应用，正试图颠覆你和手机交流的根本方式；新闻头条等热门新闻应用依赖于人工智能技术向你推送最适合你的新闻内容；美图秀秀等利用人工智能技术自动对照片进行美化；在人工智能的驱动下，谷歌、百度等搜索引擎早已提升到了智能问答、智能助理、智能搜索的新层次；以谷歌翻译为代表的机器翻译技术正在深度学习的帮助下迅速发展；使用滴滴出行时，人工智能算法不断地帮助重新定义智慧出行、智慧交通和智慧城市；使用手机购物时，淘宝等电子商务网站使用人工智能技术为你推荐最适合你的商品，而先进的仓储机器人、物流机器人和物流无人机正帮助电子商务企业高效、安全地分发货物…
  
  人工智能是一个融合了多种学科的交叉学科，加上其最近几年的高速发展，内涵和外延也在不断地变化，新兴的子领域不断涌现。如下图所示，较为公认权威地将人工智能子领域分为以机器学习、自然语言处理、知识工程、信息检索与推荐、计算机视觉、语音识别和机器人等为核心的七个人工智能关键技术，以及人机交互、数据挖掘、芯片技术、经典AI、数据库、计算机图形、多媒体、可视化、安全与隐私、计算机网络、计算机系统、计算理论和物联网等十三个人工智能外延技术。

从 1956 年“人工智能” 概念在达特茅斯会议上首次被提出至今，人工智能发展已经历经 60 余年， 经历了三次发展浪潮。 当前全球人工智能正处于第三次发展浪潮之中。

第一次浪潮（1956-1974年）: 1956年达特茅斯会议上，“人工智能”的概念提出，同时出现了最初的成就和最早的一批研究者，被广泛认为是AI诞生的标志，随之掀起了人工智能的第一次发展浪潮。 该时期的核心是让机器具备逻辑推理能力， 开发出计算机可以解决代数应用题、证明几何定理、学习和使用英语的程序， 并且研发出第一款感知神经网络软件和聊天软件。
第二次浪潮（1980-1987年）：这一时期内，解决特定领域问题的“专家系统” AI 程序开始为全世界的公司所采纳， AI 变得实用起来，知识库系统和知识工程成为了 80 年代 AI研究的主要方向。 Hopfield 神经网络和反向传播（BP）算法被提出。
第三次浪潮（1993-2011年）：这一时期，计算性能上的基础性障碍已被逐渐克服，里程碑事件有 1997 年的深蓝战胜国际象棋世界冠军、 2016 年和 2017 年的 AlphaGo 击败围棋职业选手等。同时，“智能代理”范式被广泛接受， AI 技术发展超越了研究人类智能的范畴； AI 与数学、经济学等其他学科展开更高层次的合作。2006年以来， 深度学习理论的突破更是带动了人工智能第三次浪潮。这一阶段互联网、云计算、大数据、芯片等新兴技术为人工智能各项技术的发展提供了充足的数据支持和算力支撑，以“人工智能+” 为代表的业务创新模式也随着人工智能技术和产业的发展日趋成熟，这将极大优化社会的生产力，并对现有的产业结构产生深远的影响。

关于人工智能理论阶段，存在两种划分方法。

第一种划分方法是运算智能、感知智能和认知智能三个阶段。运算智能，即快速计算和记忆存储能力；感知智能，即视觉、听觉、触觉等感知能力；认知智能就是具有推理、可解释性的能力，也是人工智能的高级阶段。 可见，发展第三代人工智能，需要依靠知识、数据、算法和算力四个要素，其中的关键问题是算法。
第二种划分方法是感知智能、认知智能和决策智能三个阶段。 为了提高机器决策的准确度，需要加强复杂问题下，提升人机信任度，增强人类与智能系统交互协作智能的研究，即决策智能 。
人工智能的发展经历了表示计算到感知智能两个阶段，下一个阶段的核心是认知。 以上两种划分法对此存在共识，即目前发展处于第三代人工智能。

过去十年十大人工智能研究热点

1. 深度神经网络
   • 深度神经网络是深度学习的基础，又被称为深度前馈网络（DFN）、多层感知机（MLP），可以理解为是有很多隐藏层的神经网络。深度神经网络可以在没有大量标记数据的情况下解决问题。代表算法包括卷积神经网络、循环神经网络、递归神经网络等。深度神经网络的被引用量保持了较长时间的稳定平稳增长；深度卷积神经网络技术则于2014年开始获得更多引用。目前，深度神经网络（DNN）是许多人工智能应用的基础，从自动驾驶汽车、癌症检测到大型游戏等。在这许多领域中，DNN实现了超越人类的准确率。

2. 特征抽取
   • 特征抽取（Feature Extraction）热门是信息检索与推荐中的一项技术，专指使用计算机提取一组测量值中属于特征性的信息的方法及过程，并将所抽取出的有效实体信息进行结构化存储。目前特征抽取已引入机器学习、深度学习、神经网络技术，其中，神经网络计算已应用于图片特征抽取。针对某个特定图片，通过卷积神经网络对图片进行特征抽取得到表征图片的特征，利用度量学习方法如欧式距离对图片特征进行计算，对图片距离进行排序，得到初级检索结果，再根据图片数据的上下文信息和流行结构对图像检索结果进行重排序，从而提高图像检索准确率，得到最终的检索结果。

3. 图像分类
   • 图像分类（Image Classification）是指计算机利用算法从给定的分类集合中给某个特定图像正确分配一个标签的任务，其目标是将不同的图像划分到不同的类别中，并实现最小的分类误差，较多应用于计算机视觉、信息检索与推荐领域。2012年，加拿大认知心理学家和计算机科学家 Geoffrey Everest Hinton 的博士生 Alex Krizhevsky 在 ILSVRC 将深度学习用于大规模图像分类中并提出了CNN模型，其计算效果大幅度超越传统方法，获得了ILSVRC2012冠军，该模型被称作AlexNet。从 AlexNet 之后，涌现了一系列 CNN 模型，不断地在 ImageNet 上刷新成绩。目前的深度学习模型的识别能力已经超过了人眼。

4. 目标检测
   • 目标检测（Object Detection）作为计算机视觉和图像处理领域一个分支，是指利用图像处理与模式识别等领域的理论和方法，检测出数字图像和视频中存在的特定类别的目标对象，确定这些目标对象的语义类别，并标定出目标对象在图像中的位置。对象检测是对象识别的前提，具有很大发展潜力。对象检测已经有许多有用有趣的实际应用，如人脸识别、行人检测、视觉搜索引擎、计数、航拍图像分析等。深度学习模型在图像分类任务中碾压了其他传统方法。很多对象检测的新方法和新应用推动了深度学习最前沿的科技发展。 • 目前流行的目标检测算法有 One-stage 和 Two-stage 两种。 Two-stage 指的是检测算法需要分两步完成，即先获取候选区域、再进行分类与回归，比如 RCNN 系列算法，准确度较高但是速度慢； One-stage 检测不需要单独寻找候选区域， 典型的有 SSD/YOLO，其速度快但是准确性较低。对象检测在过去 10 年内出现了由基于区域的卷积神经网络（R-CNN）、 YOLO 分治网络、 SSD 等多种方法。这些新技术在速度和精确度上都较先有了很大提升。目前，计算机进行对象检测的能力在很多方面已经超越人类。例如， AI 通过深度学习进行对象检测和识别，已经可以更准确地检测乳腺癌。

5. 语义分割
   • 语义分割（Semantic Segmentation） 是让计算机根据图像的语义进行分割，判断图像中哪些像素属于哪个目标。近年来，许多语义分割问题正在采用深度学习技术来解决，最常见的是卷积神经网络，在精度上大大超过了其他方法以及效率。目前语义分割的应用领域主要有：地理信息系统、无人车驾驶、医疗影像分析和机器人等领域。

6. 表示学习
   • 表示学习（Representation Learning），是指将原始数据转换成能够被机器学习的一种深度学习技术。它能够从复杂的原始数据中提炼有效特征，剔除无效或者冗余信息，形成可用的数据表示。在知识表示学习中，词嵌入（Word Embedding）是自然语言处理的重要突破之一，它可以将词表示为实数域向量，进而为机器学习和深度学习提供模型训练的基础。近些年很多专家和学者利用词嵌入的表示学习原理进行相关领域的研究，主要的表示方法包括 Word2Vec、 One-hot、词共现等。这些方法已经成为当下人工智能技术应用的基础，为机器学习提供了高效的表示能力。

7. 生成对抗网络
   • 生成对抗网络（Generative Adversarial Networks, GAN）是用于无监督学习的机器学习模型，由 Ian Goodfellow 等人在 2014 年提出。 由神经网络构成判别器和生成器构成，通过一种互相竞争的机制组成的一种学习框架。 GAN 功能强大，学习性质是无监督的，也不需要标记数据。传统的生成模型最早要追溯到 80 年代的RBM，以及后来逐渐使用深度神经网络进行包装的 AutoEncoder，然后就是现在的生成模型 GAN。 GAN 具有大量的实际用例，如图像生成、艺术品生成、音乐生成和视频生成。 此外，它还可以提高图像质量，并且完成图像风格化或着色、面部生成以及其他更多有趣的任务。

8. 语义网络
   • 语义网络（Semantic Network）是一种以网络格式表达人类知识构造的形式，是人工智能程序运用的表示方式之一，相关研究主要集中在信息检索与推荐、知识工程领域。语义网络是一种面向语义的结构，它们一般使用一组推理规则，规则是为了正确处理出现在网络中的特种弧而专门设计的。语义网络可以深层次地表示知识，包括实体结构、层次及实体间的因果关系；无推理规律可循；知识表达的自然性可以直接从语言语句强化而来。

9. 协同过滤
   • 协同过滤（CF）是推荐系统使用的一种技术，通过收集来自多个用户的偏好、兴趣、评价标准等用户行为数据来过滤信息， 并自动预测（过滤）用户兴趣的方法，为用户提供有针对性的推荐及其所需信息。大多数协同过滤系统都应用基于相似度索引的技术。 协同过滤是解决信息超载问题的一个有效办法。无论是基于用户-用户的协同过滤，还是项目-项目的协同过滤，都有效地提高了用户信息的使用效率。

10. 机器翻译
    • 机器翻译（Machine Translation），又称为自动翻译，是利用计算机把一种自然源语言转变为另一种自然目标语言的过程，通常指自然语言之间句子和全文的翻译。它是自然语言处理（Natural Language Processing）的一个分支，与计算语言学（Computational Linguistics）、自然语言理解（Natural LanguageUnderstanding）之间存在密不可分的关系。机器翻译是人工智能的终极目标之一，其核心语言理解和语言生成是自然语言处理的两大基本问题。近几年来，随着深度学习技术的发展，神经机器翻译取得了巨大进展，其生成的译文接近自然语句，成为了主流语言学习模型。

SIGAI机器学习第一集 机器学习简介

讲授机器学习的基本概念、发展历史与典型应用

大纲：

人工智能简介
机器学习简介
为什么需要机器学习
机器学习的发展历史
机器学习的典型应用
人工智能主要的公司
本课程讲授的算法

机器学习并不是人工智能一上来就采用的方法，而是发展到一定阶段之后的产物

这门课需要的参考书：（前面两本有点老，没有讲深度学习的东西，但神经网络讲的还是比较详细的）

人工智能简介：

定义：用计算机来实现人的智能。

1956年人工智能达特茅斯会议，2016年（AlphaG）人工智能大规模进入公众的视野。

图灵奖最多的方向：CPU的设计（CPU结构、精简指令计算机）；编程语言的（包括编译器）；操作系统；计算机网络；数据库；理论计算；AI（有6次图灵奖）。

AI是获得图灵奖最多的方向之一：

2011 Judea Pearl（概率图模型）
2010 Leslie Valiant（PAC理论）
1994 Edward Feigenbaum，Raj Reddy
1975 Allen Newell，Herbert A. Simon
1971 John McCarthy
1969 Marvin Minsky

1994年获奖还是和前几次一样，主要是传统的思路和方法，比如说专家系统、知识工程、逻辑推理等等一些套路。

2010、2011年就不一样了，这些成果是属于机器学习方向，所以说机器学习是人工智能发展到后来才出现的一类方法和理论，并不是上来就采用的一条路。

PAC理论可以导出Adaboost等其他一些方法，是一个非常基础的理论。

概率图模型典型的就是贝叶斯网络或其他的一些方法，如马尔科夫随机场、条件随机场、马尔科夫过程、隐马尔可夫模型等等。

机器学习逐渐成了人工智能解决很多实际问题一种主流的方法，所以说人工智能不等同于机器学习，人工智能中还有一些其他的方法还是可以使用的。

AI可以模拟人的智能，那么人有什么智能呢？

 

 第一台真正意义上的计算机是1945年发明的，它发明的目的是用来计算炮弹飞行的弹道（根据初始和目标坐标计算导弹飞行的轨迹），二战期间军方作战需要，开始只是用它来做计算器使用，后来发挥的用武之地远远超出人们的想象，正在逼近人类智能的能力。

机器学习简介：